數(shù)學(xué)建模中的bp神經(jīng)網(wǎng)絡(luò)-資料下載頁
2025-01-14 19:56本頁面
【正文】 算法的 MATLAB實(shí)現(xiàn) ?例 23，下表為某藥品的銷售情況，現(xiàn)構(gòu)建一個(gè)如下的三層 BP神經(jīng)網(wǎng)絡(luò)對藥品的銷售進(jìn)行預(yù)測：輸入層有三個(gè)結(jié)點(diǎn)，隱含層結(jié)點(diǎn)數(shù)為 5，隱含層的激活函數(shù)為 tansig；輸出層結(jié)點(diǎn)數(shù)為 1個(gè)，輸出層的激活函數(shù)為 logsig，并利用此網(wǎng)絡(luò)對藥品的銷售量進(jìn)行預(yù)測，預(yù)測方法采用滾動(dòng)預(yù)測方式，即用前三個(gè)月的銷售量來預(yù)測第四個(gè)月的銷售量，如用 3月的銷售量為輸入預(yù)測第 4個(gè)月的銷售量，用 4月的銷售量為輸入預(yù)測第 5個(gè)月的銷售量 .如此反復(fù)直至滿足預(yù)測精度要求為止。 月份 1 2 3 4 5 6 銷量 2056 2395 2600 2298 1634 1600 月份 7 8 9 10 11 12 銷量 1873 1478 1900 1500 2046 1556 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的 MATLAB實(shí)現(xiàn) ?%以每三個(gè)月的銷售量經(jīng)歸一化處理后作為輸入 ?P=[ 。 。 。 。 。 。]39。 ?%以第四個(gè)月的銷售量歸一化處理后作為目標(biāo)向量 ?T=[ ]。 ?%創(chuàng)建一個(gè) BP神經(jīng)網(wǎng)絡(luò)，每一個(gè)輸入向量的取值范圍為 [0 ,1]，隱含層有 5個(gè)神經(jīng) %元，輸出層有一個(gè)神經(jīng)元，隱含層的激活函數(shù)為 tansig，輸出層的激活函數(shù)為 %logsig，訓(xùn)練函數(shù)為梯度下降函數(shù)，即 算法 ?=newff([0 1。0 1。0 1],[5,1],{39。tansig39。,39。logsig39。},39。traingd39。)。 ?=15000。 ?=。 ?%設(shè)置學(xué)習(xí)速率為 ?=。 ?=train(,P,T)。 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的 MATLAB實(shí)現(xiàn) ?BP網(wǎng)絡(luò)應(yīng)用于藥品預(yù)測對比圖 ?由對比圖可以看出預(yù)測效果與實(shí)際存在一定誤差，此誤差可以通過增加運(yùn)行步數(shù)和提高預(yù)設(shè)誤差精度業(yè)進(jìn)一步縮小 BP神經(jīng)網(wǎng)絡(luò)的特點(diǎn) ?非線性映射能力 ?能學(xué)習(xí)和存貯大量輸入 輸出模式映射關(guān)系，而無需事先了解描述這種映射關(guān)系的數(shù)學(xué)方程。只要能提供足夠多的樣本模式對供網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，它便能完成由 n維輸入空間到 m維輸出空間的非線性映射。 ?泛化能力 ?當(dāng)向網(wǎng)絡(luò)輸入訓(xùn)練時(shí)未曾見過的非樣本數(shù)據(jù)時(shí)，網(wǎng)絡(luò)也能完成由輸入空間向輸出空間的正確映射。這種能力稱為泛化能力。 ?容錯(cuò)能力 ?輸入樣本中帶有較大的誤差甚至個(gè)別錯(cuò)誤對網(wǎng)絡(luò)的輸入輸出規(guī)律影響很小。 小結(jié) ?BP算法背景 ?BP神經(jīng)網(wǎng)絡(luò)模型 ?BP算法 ?基本思想 ?推導(dǎo)過程 ?實(shí)現(xiàn) ?BP神經(jīng)網(wǎng)絡(luò)的 MATLAB函數(shù) ?BP神經(jīng)網(wǎng)絡(luò)的應(yīng)用實(shí)例 ?BP神經(jīng)網(wǎng)絡(luò)與感知器神經(jīng)網(wǎng)絡(luò)的對比 謝謝！
規(guī)章制度相關(guān)推薦
鄂ICP備17016276號-1